通过这次毕业设计，我又一次的感受到了python这门编程语言的魅力所在，它简单易懂的代码以及丰富的库给我留下了深刻的印象，让简单的操作能够发挥出复杂的作用，让人爱不释手。当然，在毕业设计实现的过程中，也遇到过很多的困难，有时候在寻找页面规则的时候，往往卡在那里好久，久久没有进展，让人无从下手，大大的减缓了毕业设计完成进度，这个时候，我的同学以及导师吴瑞然老师都会帮我指明方向，同学之间的互相讨论，不

对深度神经网络的网络结构参数进行确定：输入层、隐藏层、输出层的神经元个数，神经网络的激活函数（sigmoid，relu 和 tanH）的选择，如何初始化参数，计算正向和反向传播的代价函数、损失函数，确定算法中的 learning rate（学习率）、iterations(梯度下降法循环的数量)、mini batch size（批量梯度下降的大小）等超参数的最优值，如何避免搭建深度神经网络会出现的诸

Yolov3简介[6]对于深度学习的目标检测算法主要分为两种类型:一类是one-stage的YOLO系列算法,另一类two-stage的Ｒ-CNN系列，yolov3属于一阶段模型，一阶段模型的推理速度较快，但是相对的准确度可能会下降一些。Yolo(you look only once)算法是一阶段目标检测算法的代表，它可以只用一次完整的过程就能够对目标完成位置上的定位和类型的识别，是现在目标检测算

人脸识别是计算机视觉[7]和模式识别[7]中的一个重要分支，人脸识别技术其最大的作用就是利用人脸的特征性来区分个体身份。人脸识别技术主要完成人脸图像与数据库已存的所有图像的匹配过程，判断出“你”是谁，最终实现人脸识别。人脸识别应用场景大致可以分为两类：一是两张人脸照片进行比较，二是将一张人脸照片与多张人脸照片进行比较。前者通常是判断两张人脸照片是否为同一个人，通常应用在人脸匹配上。后者通常是在若干

全连接神经网络拥有多层结果虽然提高了学习能力，但是它的复杂程度与参数的个数也同时增加会导致梯度爆炸的现象。整个模型的复杂度变大就会极容易出现过拟合问题。所以全连接神经网络就不适合构建多层的网络结构，而卷积神经网络就是全连接神经网络的创新，它在建立多层网络结构的时候可以有效地避免梯度下降的问题出现，降低了全连接神经网络的复杂程度。卷积神经网络可以构建多层次的网络结构，最常见的网络结构有LeNet5，

针对web端操作下的唇语识别，本文主要是使用了两大主流深度学习算法部署到Flask框架的集成思想，对如下内容进行了研究应用：（1）Yolov5算法对人脸进行唇部定位，采用预测的坐标对数据集进行处理，整理得到图像内容仅包含有效信息的数据集；（2）设计3DResnet和GRU复合网络，利用2D的残差模块组成深度网进行提取特征，最后利用GRU将每个帧数映射到特征维度中，形成批次和时序的高维度信息，再进行

Pandas是Python当中的一个拓展的库，Pandas里面包含了大量的标准数据类型并且提供了高效操作大型数据的工具，对于数据的处理，pandas可以做到非常的高效，并且可以与多种类库共同使用，对编程者非常友好。同时Pandas也提供了集中数据结构供使用者使用：1. Series: 一维数组，类似于List列表的一种数据结构，但是Series与List有一些不同之处，就是Series只允许储存相

在本课题的研究与实现过程中，遇到了许多困难在设计这个系统之前，例如，算法调用失败的经历就多次遇到，图像显示、参数传递出现的问题更是数不胜数，在浏览各大网站之后慢慢摸索，逐渐改善了研究，解决了问题，经过了这一系列的努力，不仅懂得了学习一项技术最重要的是能够脚踏实地，勇敢面对失败才能更加靠近成功，而且提高了自身的专业能力，赋予自己面对将来挑战的信心。下面是该Python程序的源代码。在以往的机械学习实

对心血管疾病数据的来源进行了介绍，并且介绍了数据集中一些数据属性。最后对收集来的数据进行了预处理操作。本文数据从Kaggle平台获取，该平台是一个主要为数据科学家进行学习竞赛、代码分享的平台。发布者可以在该平台上提供一些数据、发布一些任务，来寻找解决问题的方法。参赛者可以以组队的形式来参与项目，优秀的方案可获得奖金，所以对于参赛者来说，不仅可以锻炼自己的实际操作能力，还有可能获得丰厚的奖金。除此以

自人工智能兴盛以来，关于深度学习的研究成果如浪花涌现，深度学习在人工智能中的地位也越来越重要。深度学习在对数据进行分类上的优越性能是普通网络无法比拟的，卷积神经网络也因众多研究成果而广受重视，自身也在图像处理领域有着得天独厚的优势。验证码字符的识别分类就是深度学习的一个经典应用。本文在参考众多文献的基础上，深入理解深度学习和卷积网络基本理论，运用这些理论来构建卷积神经网络，解决验证码识别的问题。验